Discipline d'écoconception visant à minimiser les ressources (énergie, calcul, données, mémoire) mobilisées par un système IA à performance équivalente. Leviers principaux : right-sizing (plus petit modèle suffisant), pruning, distillation, Quantization INT8, mise en Cache IA, batch processing, déclenchement conditionnel et Carbon-aware Computing (planification des jobs selon l'intensité carbone du réseau). Attention à l'Effet rebond : les gains unitaires peuvent être annulés par l'explosion des usages. La sobriété algorithmique est le pendant IA de la sobriété numérique promue par la loi REEN et un levier clé de l'ESRS E1. Voir aussi : Empreinte carbone IA, Green prompting, Effet rebond, Plan de décarbonation IA.
La sobriété algorithmique représente une opportunité majeure pour réduire l'empreinte environnementale des systèmes d'IA, répondant aux risques liés à la consommation énergétique croissante et à la raréfaction des ressources numériques, tout en renforçant la fiabilité des systèmes par une conception optimisée.
Une équipe produit remplace GPT-4 par un modèle Mistral 7B distillé pour la classification de tickets client. Précision équivalente (94 %), latence divisée par 5, coût cloud divisé par 20 et empreinte carbone divisée par 15.
Termes connexes (Environnement)
Green AI & eco-conception IA
Stratégie holistique réduisant l'empreinte carbone de l'IA : quantization, pruning, distillation, choix d'architectures légères. Elle intègre l'impact environnemental dès la phase de conception et non a posteriori.
Scope 3 de l'Intelligence Artificielle
Émissions indirectes de gaz à effet de serre générées par l'utilisation de systèmes d'IA tout au long de leur chaîne de valeur : fabrication des puces (TSMC, Samsung), consommation électrique des data centers, refroidissement par eau, et fin de vie des équipements. En 2025, les émissions Scope 3 de l'IA représentent environ 75% de l'empreinte carbone totale du secteur numérique selon l'AIE.
PUE – Indice d'efficacité énergétique des data centers
Indicateur d'efficacité énergétique qui exprime le ratio entre l'énergie totale consommée par un data center et l'énergie réellement utilisée par les équipements informatiques. Plus le PUE se rapproche de 1, plus le data center utilise efficacement l'électricité disponible.
WUE – Indice d'efficacité en eau des data centers
Indicateur qui rapporte le volume d'eau consommé au fonctionnement d'un data center à l'énergie délivrée aux équipements informatiques, généralement exprimé en litres par kWh. Il permet d'évaluer l'empreinte hydrique des infrastructures numériques dans un contexte de stress croissant sur la ressource en eau.
Émissions d'entraînement des LLM
Émissions de gaz à effet de serre générées lors de l'entraînement initial des grands modèles de langage, souvent très intensif en calcul et concentré sur quelques semaines. Ces émissions peuvent atteindre plusieurs milliers de tonnes de CO₂e pour un seul modèle, selon la taille du modèle, l'architecture et la source d'énergie utilisée.
Émissions d'inférence des LLM
Émissions quotidiennes générées par les requêtes adressées aux modèles d'IA en production, lorsque ceux-ci répondent à des utilisateurs ou traitent des flux automatiques. À long terme, les émissions liées à l'inférence dépassent souvent celles de la phase d'entraînement, surtout pour les services très utilisés.